机器学习开发催化剂-成功,局限性和机遇
Tobias Schnitzer1, Martin Schnurr1, Andrew F Zahrt2
1Laboratory of Organic Chemistry, ETH Zurich, D-CHAB, Vladimir-Prelog-Weg 3, 8093 Zurich, Switzerland.
ACS central science
|March 4, 2024
概括
这项研究引入了一种机器学习工作流来优化催化剂,成功地确定了化学反应的有效催化剂. 数据驱动的方法加速了新催化剂的发现.
科学领域:
- 催化剂是一种催化剂.
- 生物化学 生物化学
- 计算化学的计算化学
背景情况:
- 类是化学转换的多功能模块化催化剂.
- 鉴定具有特定催化活性的是具有挑战性的,因为大量的可能的氨基酸序列.
研究的目的:
- 开发和验证用于优化催化剂的机器学习 (ML) 工作流.
- 用ML识别用于特定化学反应的新催化剂.
主要方法:
- 开发一种ML工作流程,以优化催化剂.
- 创建一个具有161个催化剂的通用培训套件 (UTS).
- 在大约3万个三成员的图书馆的in silico选.
主要成果:
- ML工作流成功地确定了化剂催化剂,用于合添加化物到烯.
- 一种新的催化剂被确定用于以前未被催化的立体选择性取消反应.
- 与专家知识引导的优化相比,证明了数据驱动方法的有效性.
结论:
- 机器学习为发现和优化催化剂提供了一种有效的策略.
- 开发的ML工作流和UTS可以加速用于各种化学转换的催化剂的识别.
- 数据驱动优化为催化剂设计中的传统方法提供了强大的替代方案.


